Question

我目前正在尝试使用plyr + reshape2来处理我的数据，但这需要花费很多时间。我有一个包含3列的数据框（ df ）：网络， user_id 和日期。我的目标是：

将 df 拆分为2个级别（网络和 user_id ）;
在每个拆分中应用函数（get_interval）;
将结果绑定到另一个数据框（ df2 ）。

get_interval返回与输入行数相同的向量。因此， df2 具有相同大小的 df ，但结果由get_interval计算。

问题在于我无法直接使用ddply，因为它只处理相等长度的向量，并且函数的结果具有不同的长度。

我提出了这个解决方案：

aux <- melt(dlply(df,.(network,user_id), get_interval))
df2 <- cbind(interval=aux$value,colsplit(aux$L1,"\\.",names=c("network","user_id")))

但它的效率非常低，而且因为 df 非常大，所以每次运行它都会浪费时间。有没有办法更有效地做到这一点？

修改

get_interval的基本操作如下：

get_interval <- function(df){
    if(nrow(df) < 2)
        return (NA)
    x <- c(NA,df$date[-1] - df$date[-nrow(df)])
    return(x) ## ceiling wont work because some intervals are 0.
}

可以通过以下方式人工生成此数据：

n <- 1000000
ref_time <- as.POSIXct("2013-12-17 00:00:00")
interval_range <- 86400*10 # 10 days
df <- data.frame(user_id=floor(runif(n,1,n/10)),
                network=gl(2,n,labels=c("anet","unet")),
                value=as.POSIXct(ref_time - runif(n,0,interval_range)))

分裂，应用函数和返回具有可变向量长度的data.frame的有效方式

修改

0 个答案: